E-Ticarette Kişiselleştirme Neden Zorunlu?

Geleneksel e-ticaret siteleri statik vitrin mantığıyla çalışır. Kullanıcı ilgisiz ürünler arasında kaybolur, siteden ayrılır. Yapay zeka tabanlı öneri motorları kullanıcı davranışlarını (tıklama, sepete ekleme, bekleme süresi, geçmiş siparişler) gerçek zamanlı analiz eder. Doğru ürünü doğru anda gösterir. Dönüşüm oranlarını %15-30, ortalama sepet tutarını (AOV) %10-20 artırır.

Öneri Sistemi Algoritma Türleri

Doğru algoritma seçimi veri hacmine ve katalog yapısına bağlıdır:

İşbirlikçi Filtreleme (Collaborative Filtering): Kullanıcı-öğe etkileşim matrisini temel alır. 'Bu ürünü alanlar bunları da aldı' mantığı. Matrix Factorization ve k-NN algoritmaları kullanılır.
İçerik Tabanlı Filtreleme (Content-Based Filtering): Ürün metadata (kategori, renk, fiyat, marka) ve kullanıcı profil benzerliğini ölçer. Vektör uzay modelleri ve TF-IDF/Embedding kullanılır.
Hibrit Sistemler: Soğuk başlangıç (cold-start) sorununu çözmek için iki yaklaşımı birleştirir.
Derin Öğrenme Tabanlı Modeller (Deep Learning & Transformers): Sıralı kullanıcı eylemlerini (session-based) analiz eder. RNN, SASRec ve BERT4Rec mimarileri kullanılır.

Adım Adım Yapay Zeka Öneri Sistemi Kurulumu

Adım 1: Veri Toplama ve Boru Hattı (Data Pipeline) Kurulumu

Ham kullanıcı loglarını yapılandırılmış formata getirin. İzlenecek minimum veri noktaları:

Sayfa görüntüleme (Product Detail Page views)
Arama sorguları ve filtreleme hareketleri
Sepete ekleme ve sepetten çıkarma eylemleri
Satın alma geçmişi ve iade verileri
Tıklanma zaman damgaları (Timestamp) ve oturum kimlikleri (Session ID)

Kritik Kural: Çöp veri girerse çöp öneri çıkar (Garbage in, garbage out). Event stream için Kafka veya AWS Kinesis, analitik depolama için BigQuery veya Snowflake tercih edilir.

Adım 2: Soğuk Başlangıç (Cold-Start) Stratejisi Belirleme

Yeni kullanıcı veya yeni ürün sisteme girdiğinde etkileşim verisi sıfırdır. Bu problemi çözmek için:

Yeni kullanıcı için: Coğrafi konum, geliş kaynağı (UTM parametreleri) ve popüler/trend ürünleri gösterin.
Yeni ürün için: İçerik tabanlı benzerlik (embeddings) kullanarak mevcut katalogdaki benzer ürünlerin altına yerleştirin.

Adım 3: Model Geliştirme ve Eğitimi

Sıfırdan model yazmak veya hazır açık kaynak kütüphaneleri optimize etmek gerekir:

Hızlı başlangıç: Python kütüphaneleri (Surprise, Implicit, LightFM).
Ölçeklenebilir mimari: TensorFlow Recommenders (TFRS) veya PyTorch tabanlı TorchRec.
Vektör benzerlik araması için Milvus, Pinecone veya Qdrant gibi vektör veritabanlarını entegre edin.

Adım 4: A/B Testi ve Canlı Entegrasyon

Modeli doğrudan %100 trafiğe açmayın. Klasik kural tabanlı öneriler ile ML modelini A/B testine sokun. Test edilecek metrikler: Tıklama Oranı (CTR), Sepete Ekleme Oranı (Add-to-Cart Rate) ve Dönüşüm Oranı (CR).

2024 ve Sonrası: Dijital Strateji ve Yeni Trendler

Modern e-ticaret dijital stratejisi statik segmentasyon yerine hiper-kişiselleştirmeyi hedefler. Öne çıkan trendler:

Gerçek Zamanlı (In-Session) Kişiselleştirme: Kullanıcının geçmiş geçmişine bakmadan, sadece mevcut 5 dakikalık oturumundaki hareketlerine göre dinamik vitrin oluşturma.
Üretken Yapay Zeka (GenAI) ile Alışveriş Asistanları: LLM tabanlı sohbet botlarının öneri motoru API'ları ile bağlanarak doğal dilde ürün tavsiyesi yapması.
Görsel Arama ve Öneri (Visual Recommendations): Kullanıcının yüklediği fotoğraftaki kombin parçalarını tespit edip benzer ürünleri sunan Computer Vision modelleri.

Özet Kontrol Listesi

Kullanıcı hareketlerini eksiksiz toplayan event tracking mekanizmasını doğrula.
Kataloğu vektörize et ve embedding verilerini sakla.
Cold-start senaryoları için kural yedekleri hazırla.
A/B testi ile algoritma performansını sürekli ölç.